الذكاء الاصطناعي في النقل والخدمات اللوجستية في لوس أنجلوس 2026:عمليات الموانئ وسلاسل الإمداد والأنظمة الذاتية

استثمار التعلم الآلي في النقل بلوس أنجلوس حسب القطاع (2025)

تحسين تخصيص الأرصفة

• التحدي: 43 رصيفًا عبر 25 محطة لاستيعاب السفن التي يزيد طولها عن 1200 قدم. نظام 'من يأتي أولاً يُخدم أولاً' التقليدي يخلق عدم كفاءة — سفن صغيرة تشغل أرصفة كبيرة، عدم تطابق قدرات المحطات، رسو غير ضروري للسفن.
• حل التعلم الآلي: أوقات وصول تنبؤية (تتبع السفن بواسطة AIS، توقعات الطقس، ازدحام الميناء — قبل 6-12 ساعة بدقة 94%)، تعيين أرصفة ديناميكي يطابق حجم السفينة/الشحنة/توافر الرافعات، موازنة أحمال المحطات لمنع الازدحام.
• النتائج: وقت الانتظار: 4.2 أيام ← 1.8 يوم (تخفيض 58%). مناولة الحاويات لكل ساعة سفينة: +22%. استغلال الأرصفة: 62% ← 78%. توقع وقت الاستدارة يتيح جدولة أفضل.
• التأثير الاقتصادي: يكلف كل يوم انتظار سفينة 75 ألف - 150 ألف دولار (طاقم، وقود، تكلفة الفرصة، غرامات). 2.4 يوم × 3,200 زيارة سفينة سنوية × 100 ألف دولار = 768 مليون دولار توفير للصناعة.

تعيين الرافعات وعمليات المحطات

• التوزيع الديناميكي للرافعات: يحلل التعلم الآلي بيان شحن السفينة، وتوزيع وزن الحاويات، وتسلسل التفريغ لتحديد الأمثل لتعيين 4-8 رافعات جسرية لكل سفينة — مما يزيد عدد نقل الحاويات في الساعة مع تقليل إعادة وضع الرافعات.
• جدولة الفرق: تنسيق أطقم عمال الموانئ عبر 25 محطة بناءً على أوقات وصول السفن المتوقعة، وأحجام الشحنات، وتوافر المناوبات — مما يقلل وقت تعطل العمالة بنسبة 28%.
• نظام تحديد مواعيد الشاحنات: جدولة التعلم الآلي 12,000 موعد شاحنة يومياً في محطات الميناء، مما يقلل من ازدحام البوابة. متوسط وقت دوران الشاحنة انخفض من 82 إلى 48 دقيقة، مما يقلل الانبعاثات من شاحنات الديزل الخاملة.
• تخطيط تخزين السفن: تحسين وضع الحاويات على السفن لتفريغ فعال في موانئ الوجهة — مع مراعاة توزيع الوزن، وفصل المواد الخطرة، وتسلسل موانئ التوقف.

تحسين ساحة الحاويات

• المشكلة: أكثر من 50,000 حاوية مخزنة. التكديس التقليدي: 1.8 عملية إعادة مناولة لكل حاوية (إعادة ترتيب يكلف وقتاً ومعدات وعمالة). التخطيط اليدوي مستحيل — يشبه لغزاً مكوناً من 50,000 قطعة متغير باستمرار.
• التكديس التنبؤي: تحليل أنماط الاستلام، تجميع الوجهات، توقعات وقت الانتظار — وضع الحاويات التي يتم الوصول إليها بشكل متكرر في الأعلى/على الأطراف. إعادة تكديس ديناميكية لعمليات الاستلام القريبة.
• استخدام المعدات: تحسين حركات الرافعات لتقليل مسافات السفر واستهلاك الطاقة. تنسيق الرافعات الآلي يسترجع الحاويات أسرع بنسبة 38%.
• النتائج: إعادة المناولة: 1.8 ← 0.6 لكل حاوية (67%). وقت الاسترجاع: -38%. إنتاجية المعدات: +28%. التكلفة: 9.5 مليون حاوية مكافئة × 1.2 عملية إعادة مناولة موفرة × 65 دولاراً = 740 مليون دولار سنوياً.

تحسين النقل المتعدد الوسائط بالسكك الحديدية

• النقل من الميناء إلى السكك الحديدية: تنسيق التعلم الآلي لحركة الحاويات من محطات الميناء إلى ساحات السكك الحديدية على الأرصفة وبالقرب منها، جدولة عمليات النقل لتقليل رحلات الشاحنات على ممر I-710 المزدحم.
• تحميل عربات السكك الحديدية: تحسين وضع الحاويات على عربات السكك الحديدية مع مراعاة حدود الوزن، وتوافق التكديس المزدوج، وتسلسل الوجهة — تحسين استخدام السعة من 78% إلى 94%.
• جدولة القطارات: جدولة ديناميكية من 8 إلى 12 قطارًا متعدد الوسائط يوميًا بناءً على توافر الحاويات، وطلب الوجهة، وسعة الشبكة — مما يقلل وقت الانتظار في ساحات السكك الحديدية بنسبة 42%.
• تحسين وقت العبور: اختار التعلم الآلي المسارات ونقاط التبادل المثلى عبر شبكات BNSF وUnion Pacific — حيث انخفض وقت العبور من لوس أنجلوس إلى شيكاغو من 6.2 إلى 4.1 أيام من خلال استخدام أفضل للشبكة.
• تقليل سحب الشاحنات: زيادة استخدام السكك الحديدية على الرصيف من 22% إلى 34% من الحاويات — تقليل 4,200 رحلة شاحنة يوميًا على I-710 (أكثر ممرات الشحن ازدحامًا في جنوب كاليفورنيا).

التنبؤ بالطلب

• مصادر البيانات: أنماط الاستيراد التاريخية، الاتجاهات الموسمية (ذروة العطلات أكتوبر-نوفمبر، العودة إلى المدرسة أغسطس)، المؤشرات الاقتصادية، أحجام حجز الشحن، الإشارات الاجتماعية (عمليات البحث عن المنتجات، ضجة وسائل التواصل الاجتماعي)، أنماط الطقس، الأحداث الجيوسياسية.
• الدقة: تنبؤ التعلم الآلي قبل 8 أسابيع بدقة ±12% مقابل ±28% بالطرق التقليدية. مما يمكن من: تخفيض المخزون الزائد بنسبة 35%، تخفيض نقص المخزون بنسبة 42%.
• التأثير: إدارة أفضل لسعة المستودعات، جدولة العمالة، وتنسيق النقل — حجز سعة الشاحنات/السكك الحديدية مقدماً بدلاً من التدافع بأسعار مميزة.
• الذكاء الموسمي: اكتشاف التعلم الآلي لأنماط غير واضحة: إغلاقات المصانع في رأس السنة الصينية تؤثر على الوافدين في مارس، موسم الرياح الموسمية يعطل الموردين في جنوب شرق آسيا، التباطؤ الصيفي الأوروبي يؤثر على توافر المكونات.

اكتشاف الاضطرابات والاستجابة لها

• المراقبة: ازدحام الموانئ (أكثر من 50 ميناءً عالميًا)، الإجراءات العمالية (تحليل وسائل التواصل الاجتماعي والأخبار NLP)، الأحداث الجوية (الأعاصير، الفيضانات)، المخاطر الجيوسياسية (قيود التجارة، العقوبات)، استجابات الأوبئة، اضطرابات القنوات (السويس، بنما).
• القدرات التنبؤية: التنبؤ بالاضطرابات قبل 2-4 أسابيع (ازدحام ميناء الصين في يناير من المرجح أن يؤثر على الوافدين في لوس أنجلوس في مارس). تحديد مقدار التأثيرات (خسارة اقتصادية يومية قدرها 12 مليون دولار من انخفاض السعة بنسبة 10%).
• تحسين الاستجابة: إعادة توجيه ديناميكية (أوكلاند/لونج بيتش إذا كانت لوس أنجلوس مزدحمة)، توصيات تنوع الموردين، مخزون أمان استراتيجي للعناصر الحيوية، اختيار وضع النقل البديل.
• تحليل التسلسل: نمذجة التعلم الآلي لكيفية تأثير اضطراب واحد على سلاسل التوريد — تسبب إغلاق قناة السويس في عام 2021 في تأثيرات متتالية لمدة 6 أشهر عبر 180 صناعة. التنبؤ بتأثيرات التسلسل يتيح التخفيف الوقائي.

تحديات القيادة في لوس أنجلوس للتدريب على المركبات ذاتية القيادة

• طرق معقدة: طرق سريعة (I-405، I-10، I-5) بـ 8-12 مسارًا، شوارع سكنية ضيقة، مواقف سيارات ضخمة للمراكز التجارية، مناطق بناء تتغير يوميًا، انعطافات يسار غير محمية عبر 6 مسارات للحركة.
• بيئية: شمس شديدة (وهج الكاميرا يسبب عمى المستشعرات)، أمطار نادرة (انزلاق مائي على الطرق الزلقة بالزيت — طرق لوس أنجلوس أكثر انزلاقًا عند البلل لأول مرة)، ضباب (طبقة بحرية تقلل الرؤية إلى 200 قدم)، رياح سانتا آنا (حطام على الطرق).
• عقبات حضرية: مخيمات المشردين على الأرصفة تمتد إلى الشوارع، وباعة الشوارع، وعبور المشاة غير المنظم بالقرب من محطات الحافلات، والدراجات الكهربائية/الدراجات البخارية التي تختلط بحركة المرور، وشاحنات التوصيل المتوقفة بشكل مزدوج — حالات هامشية غائبة عن البيئات المتحكم بها.
• اندماج المستشعرات: 8-12 كاميرا + ليدار + رادار + فوق صوتي + GPS/IMU. التعلم الآلي يدمج المدخلات، ويحل النزاعات (الكاميرا ترى طريقًا واضحًا، الليدار يكتشف عائقًا)، ويعوض قيود المستشعرات في ظروف الإضاءة المتغيرة.

النقل بالشاحنات ذاتية القيادة: ممر من الميناء إلى المستودع

• ممر الشحن I-710: طريق شاحنات مزدحم للغاية بطول 20 ميلاً يربط ميناء لوس أنجلوس بالمستودعات الداخلية. Aurora وTuSimple تختبران شاحنات ذاتية القيادة L4 على مسارات مخصصة.
• عمليات من مركز إلى مركز: الشاحنات ذاتية القيادة تتعامل مع مقاطع الطرق السريعة بين مراكز النقل حيث يدير السائقون البشريون قيادة الميل الأول/الأخير في المناطق الحضرية — وهو التطبيق الأكثر جدوى تجارياً على المدى القريب.
• حل نقص السائقين: نقص في صناعة النقل بالشاحنات الأمريكية يبلغ 80,000 سائق. الشاحنات ذاتية القيادة تتعامل مع القيادة المتكررة على الطرق السريعة بينما يركز السائقون البشريون على التسليم الحضري المعقد — مما يزيد من سعة القوى العاملة الفعالة.
• كفاءة الوقود: أنماط القيادة المحسنة بالتعلم الآلي (سرعة ثابتة، مسافة تتبع مثالية، تكيف تنبؤي مع التضاريس) تحسن كفاءة الوقود بنسبة 12% مقارنة بالسائقين البشريين على مقاطع الطرق السريعة.

تحسين المسار الديناميكي

• إعادة التوجيه في الوقت الفعلي: تحديثات مستمرة للمسار كل 90 ثانية تتضمن حركة المرور الحية، والطقس، وإغلاق الطرق، وقيود نافذة التسليم — مقابل تخطيط المسار الصباحي الثابت.
• تحسين نافذة التسليم: تحليل التعلم الآلي لأنماط توفر العملاء، وقيود مواقف السيارات في الحي، ومتطلبات الوصول إلى المباني لجدولة التسليمات في الأوقات المثلى.
• تحسين سعة المركبات: خوارزميات تعبئة ثلاثية الأبعاد تزيد من استخدام الحمولة مع مراعاة أبعاد الحزمة، وحدود الوزن، وتسلسل التسليم، ومتطلبات العناصر الهشة.
• كفاءة التوقفات المتعددة: حل مشاكل التوجيه بـ 200 توقف (غير قابلة للحل بشكل متعدد الحدود) في ثوانٍ باستخدام خوارزميات التقريب، مع مراعاة النوافذ الزمنية، سعة المركبة، ولوائح ساعات خدمة السائق.

أتمتة المستودعات

• الانتقاء الآلي: روبوتات منسقة بالذكاء الاصطناعي تسترجع العناصر من أرفف المستودعات، مما يزيد الإنتاجية بنسبة 55% مقارنة بالانتقاء اليدوي. مراكز أمازون الـ 18 في لوس أنجلوس تنشر 45,000 روبوت.
• إدارة المخزون بالذكاء الاصطناعي: إعادة التخزين التنبؤية بناءً على توقعات الطلب، مما يقلل أحداث نفاد المخزون بنسبة 42% وهدر المخزون الزائد بنسبة 28%. وضع ديناميكي للعناصر سريعة الحركة بالقرب من محطات التعبئة.
• الصيانة التنبؤية: مراقبة صحة سيور النقل، الرافعات الشوكية، وأنظمة الروبوتات — جدولة الصيانة قبل الأعطال مما يقلل وقت التوقف غير المخطط له بنسبة 68%.
• تحسين الفرز: فرز الطرود المحسن بالتعلم الآلي حسب مسار التسليم، مما يقلل وقت التحميل بنسبة 34% ويحسن كفاءة مغادرة السائق.

الذكاء الاصطناعي لمطابقة الشحن

• مطابقة السائق والحمولة: يحلل التعلم الآلي موقع السائق، نوع المعدات (شاحنة جافة، مبردة، مسطحة)، توافر ساعات الخدمة، المسارات المفضلة، متطلبات وقت العودة للمنزل — ويطابقها مع الأحمال المثلى في نطاق 50 ميلاً.
• تحسين الأسعار: تسعير ديناميكي يعتمد على طلب المسار، والوقت من اليوم، والأنماط الموسمية، وتكاليف الوقود — مما يضمن أسعارًا عادلة تحفز السائقين مع التحكم في تكاليف الشاحن.
• تحسين الحمولة الراجعة: سابقًا: تسلم الشاحنة من ميناء لوس أنجلوس إلى فينيكس، وتعود فارغة (680 ميلاً). الذكاء الاصطناعي يجد حمولة من فينيكس إلى لوس أنجلوس، وتعود الشاحنة محملة — مما يزيل 680 ميلاً فارغًا.
• النتائج: الأميال الفارغة: 28% ← 17% (تحسن 40%). توفير سنوي للوقود بقيمة 420 مليون دولار. 180 مليون ميل أقل للمركبات. تخفيض متناسب في تآكل الإطارات، والصيانة، وإرهاق السائق.

تطبيقات التعلم الآلي لسلسلة التبريد

• المراقبة المستمرة لدرجة الحرارة: مستشعرات إنترنت الأشياء ترسل تقارير عن درجة الحرارة، والرطوبة، والاهتزاز كل 30 ثانية لـ 280 ألف شحنة شهرية (منتجات، ألبان، مستحضرات صيدلانية، زهور). يكتشف التعلم الآلي أنماطًا شاذة تشير إلى تدهور المعدات.
• التنبؤ بأعطال المعدات: تحليل بصمات اهتزاز الضاغط، وأنماط استهلاك الطاقة، واتجاهات ضغط المبرد يتنبأ بالأعطال قبل 48 ساعة — مما يتيح الإصلاح الاستباقي قبل ارتفاع درجة حرارة الحمولة.
• التعديل الديناميكي للمسار: إعادة توجيه الأحمال الحساسة للحرارة بعيدًا عن مناطق الحرارة العالية، وتأخيرات البناء (توقفات طويلة بدون تشغيل المحرك/التبريد)، والمناطق ذات مرافق التبريد الطارئ المحدودة.
• تحسين مدة الصلاحية: التنبؤ بمدة الصلاحية المتبقية بناءً على تاريخ درجة الحرارة الفعلي (وليس تاريخ الملصق) — مما يتيح التسعير الديناميكي وتحديد أولويات التوزيع للمنتجات التي تقترب من انتهاء صلاحيتها.
• الامتثال الصيدلاني: يتم إنشاء وثائق الامتثال للممارسات الجيدة للتوزيع/التصنيع (GDP/GMP) تلقائيًا من بيانات المراقبة المستمرة — مما يلغي تسجيل درجة الحرارة يدويًا لشحنات الأدوية التي تبلغ قيمتها 42 مليار دولار عبر لوس أنجلوس سنويًا.

التعلم الآلي للصيانة التنبؤية

• بيانات السيارة عن بعد للمحرك: مراقبة أكثر من 200 معلمة للمحرك (ضغط الزيت، درجة حرارة سائل التبريد، درجة حرارة غاز العادم، ضغط الشاحن التوربيني) للكشف عن أنماط التدهور غير المرئية للمشغلين البشريين.
• مراقبة نظام الفرامل: تحليل الاهتزاز يكشف عن تآكل أقراص الفرامل، وتشويه الدوارات، وتسربات نظام الهواء — التنبؤ بفشل الفرامل قبل 2-3 أسابيع مما يمنع 480 إصلاحًا طارئًا على جانب الطريق سنوياً عبر أساطيل لوس أنجلوس الكبرى.
• توقع صحة الإطارات: تحليل بيانات مستشعرات ضغط الإطارات، ودرجة الحرارة، وعمق المداس، وتأثير سطح الطريق — التنبؤ بانفجار الإطارات قبل 1-2 أسبوع. فشل الإطارات هو السبب الأول لأعطال الشاحنات على جانب الطريق.
• النتائج: وقت التوقف غير المخطط له: -62%. تكاليف الصيانة: -28%. عمر المركبة: +18%. كل عطل جانبي يتم منعه يوفر 12,400 دولار (قطر، إصلاح، تأخير شحن، وقت تعطل السائق).

خفض الانبعاثات بالتعلم الآلي

• تحسين المسار: مسارات أقصر وأقل ازدحاماً لتقليل استهلاك الوقود بنسبة 18% والانبعاثات بالتناسب. يتجنب التعلم الآلي حركة المرور المتوقفة والمتحركة (أعلى انبعاثات لكل ميل).
• تحول الوسائط: يوصي التعلم الآلي بالقطار بدلاً من الشاحنة للشحنات المناسبة — قطار واحد يحل محل 280 شاحنة. زيادة السكك الحديدية على الرصيف من 22% إلى 34% من حاويات الميناء يلغي 4,200 رحلة شاحنة يومياً.
• نشر المركبات الكهربائية: يُحسّن التعلم الآلي جداول شحن المركبات الكهربائية، وإدارة النطاق، وتعيين المسارات بناءً على سعة البطارية — مما يضمن تعامل المركبات الكهربائية مع المسارات ضمن نطاقها مع زيادة الأميال الكهربائية.
• تقليل الخمول: مراقبة وقت تعطل الشاحنات في الموانئ، والمستودعات، ومواقع التسليم. جدولة المواعيد المُحسّنة بالتعلم الآلي تقلل متوسط وقت الخمول من 42 إلى 18 دقيقة لكل توقف.
• النتائج: تخفيض 28% في انبعاثات الكربون عبر الأساطيل المُحسّنة بالتعلم الآلي، مما يساهم في هدف خطة عمل الهواء النظيف في لوس أنجلوس للوصول إلى عمليات الموانئ الخالية من الانبعاثات بحلول عام 2035.

النظام البيئي لأتمتة المستودعات في لوس أنجلوس

• تلبية أمازون: 18 منشأة في لوس أنجلوس تضم 45,000 روبوت تعالج 4.2 مليون حزمة يومياً. ينظم التعلم الآلي حركات الروبوتات، وتسلسلات الانتقاء، وتحسين التعبئة.
• أنظمة من البضائع إلى الشخص: الروبوتات تجلب وحدات الرفوف للعاملين البشريين — مما يلغي 70% من وقت المشي. يحسن التعلم الآلي تسلسل استرجاع الكبسولات بناءً على تركيبة الطلب.
• الروبوتات المتنقلة ذاتية القيادة (AMR): روبوتات ذاتية الملاحة تنقل البضائع داخل المستودعات بدون بنية تحتية ثابتة (مسارات، سيور نقل). تخطيط المسار المدعوم بالتعلم الآلي يتجنب الاصطدامات ويحسن تدفق حركة المرور.
• الانتقاء الموجه بالصوت: أنظمة صوتية مدعومة بالمعالجة اللغوية الطبيعية (NLP) توجه العمال من خلال قوائم الانتقاء بدون استخدام اليدين — أسرع بنسبة 15% من الماسحات الضوئية اليدوية بدقة 99.9%. يحسن التعلم الآلي مسارات الانتقاء عبر مناطق المستودعات.
• مراكز التلبية المصغرة: منشآت آلية صغيرة في أحياء لوس أنجلوس الحضرية تتيح التسليم في غضون ساعتين. يدير التعلم الآلي مخزون 8,000 وحدة تخزين (SKU) في مساحة 10,000 قدم مربع مع استرجاع آلي.

التعلم الآلي للتنبؤ بالمرور

• مصادر البيانات: 15,000 مستشعر حركة مرور، مسبارات GPS من 2.8 مليون مركبة (Waze, Google Maps)، تقارير الحوادث، جداول البناء، تقويمات الأحداث (مباراة دودجرز = ازدحام I-110)، توقعات الطقس.
• نموذج التنبؤ: شبكة عصبية بيانية (Graph neural network) تُنمذج شبكة طرق لوس أنجلوس كشبكة مترابطة — ازدحام عند تقاطع I-405/I-10 ينتشر إلى الشوارع الجانبية في غضون 12 دقيقة. تم تدريبه على 5 سنوات من البيانات التاريخية.
• الدقة: دقة 84% قبل 90 دقيقة، 92% دقة قبل 30 دقيقة. مما يمكن الأساطيل التجارية من المغادرة/إعادة التوجيه بشكل استباقي بدلاً من الجلوس بشكل تفاعلي في ازدحام غير متوقع.
• التأثير التجاري: توفر الأساطيل التي تستخدم التنبؤ بالمرور بالتعلم الآلي ما متوسطه 22 دقيقة لكل مسار، وتكمل 1.4 عملية تسليم إضافية لكل وردية سائق. تم إلغاء 180 مليون ميل للمركبات سنويًا عبر المركبات التجارية في لوس أنجلوس.

قدرات Flexport في التعلم الآلي

• تحسين الشحن: تحليل أكثر من 50 خيارًا للتوجيه (البحر، الجو، السكك الحديدية متعددة الوسائط، النقل بالشاحنات) مع الأخذ في الاعتبار التكلفة، ووقت العبور، والموثوقية، والبصمة الكربونية. يوصي التعلم الآلي بالتركيبات المثلى للوضع/الناقل.
• مثال التوجيه الهجين: شحنة إلكترونيات شينزن ← لوس أنجلوس: الموعد النهائي بعد 22 يومًا. يوصي التعلم الآلي بشحن جوي جزئي (18 ألف دولار، 8 أيام للعناصر الحيوية) + شحن بحري (8 آلاف دولار للعناصر غير المستعجلة) — لتلبية الموعد النهائي مع تقليل التكلفة.
• التنبؤ بالتخليص الجمركي: تحليل البيانات التاريخية للتنبؤ باحتجاز الجمارك، واحتمالية التفتيش. يتم وضع علامة على الشحنات عالية المخاطر لمراجعة الوثائق الاستباقية. تقليل وقت التخليص بنسبة 42%.
• التنبؤ بوقت التسليم: رؤية شاملة للتنبؤ بمواعيد التسليم خلال ±2 يوم (86% دقة مقابل ±5 أيام في الصناعة بدقة 60%). مما يتيح تخطيط مخزون موثوق به ومواعيد وعد للعملاء.
• تحسين البصمة الكربونية: حساب الانبعاثات لكل شحنة، والتوصية ببدائل منخفضة الكربون (الشحن البحري مقابل الجوي يقلل الانبعاثات بنسبة 95% ولكنه يضيف 3 أسابيع). تمكين الشحن المحايد للكربون عن طريق تعويضات تم التحقق منها.

فرص القيادة الذاتية على المدى القريب (2026-2028)

• أتمتة ساحات الموانئ: مناولة الحاويات ذاتية القيادة بالكامل داخل محطات الموانئ — بيئة متحكم بها، لا مشاة، طرق محددة. تعمل بالفعل في محطات مختارة.
• تجمع الشاحنات على الطرق السريعة: 2-3 شاحنات تتبع شاحنة قيادية بمسافة قريبة، مما يقلل استهلاك الوقود بنسبة 10-15% من خلال السحب الهوائي. الشاحنات الوسطى/الخلفية شبه ذاتية القيادة.
• ممرات الشحن المخصصة: ممر الشحن I-710 يختبر ممرات الشاحنات ذاتية القيادة — مفصولة عن مركبات الركاب، وصول متحكم به، ومراقبة من قبل مركز العمليات.
• روبوتات الميل الأخير: روبوتات التسليم على الأرصفة (Starship، Serve) تتعامل مع عمليات التسليم لمسافات قصيرة في بيئات حضرية متحكم بها. 2,400 عملية تسليم يومية عبر أحياء لوس أنجلوس.